본문 바로가기

LinkedIn
깃허브 바로가기

1️⃣ AI•DS/🥎 Casual inference47

[industry] 인과추론 활용 : Best practice 👀 인과추론 개인 공부용 포스트 글입니다. 출처는 첨부한 링크를 참고해주세요! ① 발표 배경 ttps://playinpap.gitbook.io/dowhy/ DoWhy | 인과추론을 위한 라이브러리 - DoWhy | 인과추론을 위한 라이브러리 DoWhy는 인과추론을 위한 메커니즘을 4단계로 구성했습니다. 1단계 (Model)에서는 데이터를 인과 그래프로 인코딩하고, 2단계 (Identify)에서는 모델의 인과 관계를 식별하고 원인을 추정합니다. 3단계 playinpap.gitbook.io ↪ Microsoft의 인과추론을 위한 라이브러리 DoWhy의 가이드를 스터디하며 한국어 자료로 생성한 깃북 ※ 라이브러리 ※ 논문 ② 실무 인과추론의 위계 ◯ 인과추론의 best practice • 가능하다면 Rando.. 2023. 6. 20.

[industry] 인과추론에서 도메인의 역할과 교란변수 보정 출처 👀 인과추론 개인 공부용 포스트 글입니다. 출처는 첨부한 링크를 참고해주세요! ① 도메인과 인과추론 ◯ 인과추론은 도메인에 상당 부분 의존하는 방법론이다. Outcome 과 treatment 그리고 confounder (교란변수) 를 파악하는데 있어 도메인 지식은 필수다. ◯ data-driven 하게 변수 간 그래프 구조를 식별하기 위한 시도로 causal discovery 라는 방법이 있다. 그러나 이 방법도 제약이 없으면 작동하기 어렵고, 변수 간의 모든 조합을 고려하는 것은 계산량이 너무 많다. ◯ 인과추론 : 실험/처치/행동/정책이 가져온 효과를 정량적으로 분석 → 변수들 간의 모든 관계를 알 필요는 없다. treatment 를 추정할 때 교란변수를 보정 (모형에 추가) 했다는 사실이 중요.. 2023. 6. 15.

[industry] 프로덕트 애널리틱스에서의 인과추론의 활용 사례와 향후 과제 👀 인과추론 개인 공부용 포스트 글입니다. 출처는 첨부한 링크를 참고해주세요! ① 프로덕트 애널리틱스 소개와 인과추론의 중요성 ◯ Product : 재화, 서비스, 아이디어, 제품 ◯ Product Analytics • 데이터를 통해 사용자와 프로덕트 상호작용을 이해하는 과정 • 유사 개념 ↪ Mobile and Web Analytics (구글애널리틱스와 비슷한 개념) : 마케팅 비용, SEO, 페이지 단위지표 분석 ↔ Product Analytics : 행동 데이터와 더 깊은 레벨의 데이터 탐색 ↪ Marketing Analytics : Traffic, Acquisition ⇨ where : 유저들이 어디에서 왔는가에 대해 대답 ↔ Product Analytics : Engagement, Retenti.. 2023. 6. 1.

인과추론과 데이터사이언스 👀 인과추론 개인 공부용 포스트 글입니다. 출처는 첨부한 링크를 참고해주세요! ① 글1 : 인과성, 인공지능, 기계학습, 데이터 사이언스 • 인공지능은 어떤 에이전트가 목표를 성취하기 위해 주어진 환경에서 합리적인 액션을 취하는 것이다. 이때 환경에 변화를 주어, 원하는 상태로 변화시키는 인과관계로 해석이 가능하다. 기계학습은 데이터의 상관성을 학습하는 것인데, 이때 인과관계를 통해 해석하는 것도 가능하다. 데이터를 통해 풀고자 하는 질문에 따라 다르겠지만, 어떤 데이터를 수집하고 처리, 분석하고 해당 결과를 인간과 어떻게 상호작용할 것인가 하는 많은 부분에서 상관성과 인과성 모두 복합적으로 고려한다. ◯ Pearl's Causal Hierarchy (1) Associational or Observati.. 2023. 5. 12.

[Causal ML] Causal inference 고려대 산공 세미나 내용정리 • 본문 내용에 대한 출처 ① 상관관계와 인과관계 ◯ 상관관계와 인과관계 • 상관관계 : 통계적 변수와 다른 변수들이 covariance (공변) 하는 관계 ⇨ 예측 목적 • 인과관계 : 선행하는 한 변수가 후행하는 다른 변수의 원인이 되고 있다고 믿어지는 관계 ⇨ 원인설명 목적 • AI 는 데이터의 상관관계 패턴을 학습한다. 외부 환경에 따른 데이터의 변화나 패턴 변화가 적은 분야에서는 상관관계를 학습하는 것만으로도 성능이 뛰어나다 (NLP, vision, collaboration filtering) • 그러나 왜 그러한 결과가 나왔는지에 대해서는 설명하지 못한다. ◯ 예시 • 구독갱신여부를 예측하는 모델링을 진행한 후 SHAP 기반의 변수 중요도를 그려본 그림은 아래와 같다. 광고지출, 버그 리포트,.. 2023. 5. 7.

[Causal ML] 강연자료 정리 ◯ Causal representation learning 출처 • 복잡한 학습 모델의 특성에 대해 이해하기 위해 최근 딥러닝 분야에서 인과추론에 대한 관심이 높아지고 있다. • causality 를 활용한다면 관찰된 상황과 다른 환경에서도 robust 한 예측을 할 수 있으며 데이터 사이의 인과관계도 파악할 수 있기 때문에 causality 관점이 반드시 필요하다. causality 를 통해 ML 의 한계점을 극복할 수 있다. • 딥러닝 창시자 요슈아 벤지오는 AI 를 개발할 때 인지능력을 더한다면 머신러닝과 관련된 문제들이 설명 가능하게 될 것이라 전망했다. 사람이 의식하는 인지능력을 실현할 수 있는 새로운 학습 모델이 필요하다며 인과학습의 중요성을 언급했다. ◯ Causal machine learn.. 2023. 5. 6.

인과추론의 데이터 과학 - 구조적 인과모형을 활용한 인과추론 결과의 다른 집단으로의 적용 참고영상 : Bootcamp 5-4. Transporting • Transporting Causal effects across populations using structural causal modeling: the example of work-from-home productivity • 연구동기 : 인과관계 추론을 위해서 가장 타당하다고 여겨지는 방법은 RCT 를 이용한 추론이다. 관심있는 부분이 인과효과라면, 외부 요인들을 통제함으로써 추론의 타당성을 얻을 수 있다. 그러나 실험의 결과를 또 다른 세팅에 적용했을 때 그것이 무조건 타당하진 않다. 그러나 연구자들은 연구 결과를 좀 더 general 하게 사용하고 싶어한다. 1. Motivation: types of external validity (외.. 2023. 5. 4.

인과추론의 데이터 과학 - 구조적 인과모형 참고영상 : Bootcamp 5-3. 구조적 인과모형 1. Structural model ◯ Causal inference = How to address endogeneity • treatment 에 대한 selection process (data generation process) 를 알기 어려운 경우가 많아서, 인과추론이 어려워 지는 것이다. 따라서 이를 해결하기 위한 여러 방법론들이 등장한 것이다. • Design based approach : selection process 를 알 수 있는 research design 을 활용하는 방법 • Selection model : selection process 를 통계적으로 모델링 함으로써 selection process 에서 selection bias .. 2023. 5. 1.

인과추론의 데이터 과학 - 디자인 기반의 인과추론에서의 인과 그래프 활용 참고영상 : Bootcamp 5-2. 디자인 기반의 인과추론에서의 인과그래프 활용 1. Structure-based Research design ◯ 왜 Research design 을 설계하는 것이 중요한가 • 갱년기 호르몬 치료가 자궁암을 유발하는 것에 대한 인과추론 • 연구자들은 기존의 연구결과에 대해 이의를 제기 ↪ 예일대학교 연구 : 호르몬 치료약이 자궁출혈을 야기하고, 따라서 출혈이 있으면 검사를 받는 경우가 많기 때문에 잠복해있던 자궁암을 발견할 가능성이 높다. 즉, 호르몬 치료가 자궁암을 유발하는 것이 아니고, 출혈이 발생하여 검사를 받아보니 잠복했던 자궁암을 발견했다는 주장인 것이다. • 자궁출혈이라는 요인을 통제함으로써 이러한 효과를 배제하고 실제 호르몬 치료가 자궁암 유발에 대한 인과관.. 2023. 5. 1.

인과추론의 데이터 과학 - 인과그래프 참고영상 : Bootcamp 5-1. 인과그래프 ▸ Causal graph : Directed Acyclic graph and Bayesian network 1. Causal graph (diagram) • 인과관계 구조를 그래프로 표현하는 방법 ◯ Directed Acyclic Graph (DAG) • Graph : 각 노드는 각 변수를 뜻하고, 노드들 간의 엣지가 변수들 간의 관계를 나타낸다. • Directed : 엣지에 방향성이 있다는 뜻으로, 원인과 결과의 관계를 나타낸다. • Acyclic : Cyclic 의 반대말로, 순환고리가 없다는 뜻이다. 역인과관계가 성립하지 않는다는 것을 의미한다. ◯ Bayesian Network (Belief Network) • DAG 를 조건부 확률로 도식화한 .. 2023. 4. 28.

이전 1 2 3 4 5 다음

728x90

티스토리툴바